随着计算机技术的发展,面部表情识别技术的应用范围也随之扩大。目前,面部表情识别算法的研究已经成为人工智能领域的一个重要分支,该技术的研究和应用使人机交互变得更加智能。表情识别面临的一个重要问题是:从人脸图像中提取的特征将无可避免地包含人脸身份信息。因此本文旨在研究如何在特征提取过程中突出表情信息。本文将从局部特征和全局特征两方面进行研究,具体内容如下:(1)针对局部特征方法进行改进。使用词袋模型作为基础,提取局部信息。首先,在进行特征提取时使用改进的LBP算法得到突出表情的局部特征,在编码时加入原始像素的梯度信息,既能得到表情特征又能得到表情特征的位置信息;然后采用稀疏相关约束下的非负矩阵分解算法进行降维,根据稀疏约束使降维后的特征简洁,根据相关约束使降维后的特征保留更多地相似性,便于后续构造字典和编码。(2)针对全局特征方法进行改进。由于直接提取图像特征会存在人脸身份信息干扰,所以一方面利用DWT算法获得人脸的表情图像,将该图像特征与整体面部特征进行融合,得到表情加权的全局信息;另一方面,利用互信息来衡量表情图像间的相似性,将其用于构造流形降维中的邻接矩阵,使降维特征中保留表情信息的几何结构,减弱人脸身份信息,使得到的特征更具有针对性。(3)使用单一特征无法对表情进行全面表征,因此本文将前述的局部特征算法和全局特征算法进行融合。为了避免直接融合局部特征与全局特征带来的小样本危机问题,本文将二者的重构残差在决策级进行融合。此外,利用验证集来自适应的确定特征融合过程中的权重,以减少手动设置的不确定性。本文将提出的改进算法在JAFFE,TEFID和CK+数据集上进行实验,根据实验结果的对比分析,本文提出的三个改进方法都能够有效地提高识别率,由此,本文提出的方法是存在可行性的。